Qual LLM no GTX 1080 Ti (11 GB) ?

#A GTX 1080 Ti em 2026: o que ela tem, o que não tem

A GTX 1080 Ti é uma placa Pascal (chip GP102) com 3 584 núcleos CUDA, 11 GB de GDDR5X e 484 GB/s de largura de banda, com uma potência de 250 W. No banco de testes público do llama.cpp, ela produz 62,49 tokens/s em geração e 1 084,41 tokens/s na leitura do prompt em um Llama 2 7B em Q4_0. Esses resultados a colocam no nível de uma RTX 2060 Super para geração, com 3 GB a mais: é essa capacidade, mais do que a velocidade, que ainda justifica o interesse nela.

A tabela já contém a informação mais importante: o FP16 equivale a aproximadamente 1/64 do FP32 nesta placa. O parágrafo seguinte explica por que isso não prejudica tanto quanto se imagina.

#Os limites de Pascal, o que importa e o que não importa

Três limitações são reais. A primeira é a ausência de Tensor Cores, as unidades de cálculo matricial que surgiram com Volta e Turing: elas aceleram a leitura do prompt e o treinamento, mas não a geração, que depende da memória. A segunda é o FP16, com desempenho ridiculamente baixo nas GPUs Pascal voltadas ao consumidor (cerca de 166 GFLOPS contra 10.609 em FP32): motores como llama.cpp contornam o problema fazendo os cálculos dos modelos quantizados com números inteiros. A terceira é o fim do suporte de software, tratado mais abaixo.

Duas afirmações frequentemente repetidas são falsas. O FP16 não é apenas duas vezes mais lento, é sessenta vezes mais lento. E o Flash Attention não é exclusivo para Tensor Cores: o benchmark llama.cpp executa a 1080 Ti com Flash Attention ativado, a 1 138,14 tokens/s na leitura do prompt e 61,38 tokens/s na geração, contra 1 084,41 e 62,49 sem. O ganho é pequeno na taxa de transferência, mas a função está disponível e reduz a memória do contexto.

#O que 11 GB permitem: a tabela de decisão

A referência do site coloca um modelo 8B em Q4 em torno de 5 GB e um 14B em torno de 9 GB, sem contar o cache KV. Com 11 GB, um 12B deixa 4 GB de margem e um 14B apenas 2 GB. A tabela aplica o rendimento observado na bancada de testes (49% do limite teórico de 484 GB/s, ou seja, 62,49 tokens/s para 3,82 GB de pesos) aos modelos comuns: são projeções, não medições.

A faixa mais interessante é a de 12B: é o maior modelo que ainda roda com folga, com um contexto de vários milhares de tokens. Em uma placa de 8 GB, esse mesmo modelo deixa apenas cerca de 1 GB livre e exige uma redução drástica do contexto. Acima disso, um modelo de 14B em Q4 cabe, mas sem margem, e um modelo de 30 bilhões de parâmetros não cabe.

#O que dizem os benchmarks públicos

QuelLLM não testa essa placa. O teste de desempenho apresentado na discussão "Performance of llama.cpp on Nvidia CUDA" compara todas as placas com o mesmo modelo, o que permite situar a 1080 Ti em relação às placas próximas dela.

Três leituras se destacam. Na geração, a 1080 Ti iguala a RTX 2060 Super e fica 17% atrás de uma RTX 3060 de 12 GB. Na leitura do prompt, a diferença aumenta: a RTX 3060 quase dobra seu desempenho, e a RTX 2080 Ti, de mesma capacidade, supera-a em 2,7 vezes. Por fim, a Tesla P40, uma placa Pascal de 24 GB, atinge 54,74 tokens/s: ela mostra que a capacidade de 24 GB é alcançável nessa arquitetura, com uma taxa inferior à da 1080 Ti.

#Aproveitar os 11 GB: usar uma quantização menos agressiva

Uma vantagem específica dos 11 GB é a possibilidade de aumentar a qualidade em vez do tamanho. O catálogo QuelLLM indica para um Granite 4.2 8B: 4,6 GB em Q4, 6 GB em Q5 e 9 GB em Q8. Com 8 GB, apenas o Q4 deixa margem. Com 11 GB, o Q5 (6 GB) ainda deixa bastante folga, e o Q8 (9 GB) cabe com um contexto curto.

A relação entre precisão e velocidade é clara: cada nível de quantização reduz os erros do modelo, mas torna a geração mais lenta, pois mais pesos são relidos a cada token. Para conversas comuns, o Q5 é um bom ponto de equilíbrio; o Q8 se justifica pela precisão (extração, código) quando a taxa de geração importa pouco. O guia de quantização detalha a diferença de qualidade.

• Escolher sua quantização (Q4, Q5, Q8, FP16)

#Duas placas para 22 GB: possível, mas é preciso verificar

O benchmark do llama.cpp indica, em suas instruções, que os colaboradores com várias GPUs devem forçar o uso de uma única GPU com -sm none -mg, a menos que o modelo seja grande demais para a VRAM: o motor realmente distribui um modelo entre várias placas. Duas GTX 1080 Ti ofereceriam 22 GB para os pesos, o suficiente para acomodar um modelo de 32 bilhões de parâmetros em Q4 (19 a 20 GB segundo a referência do site), sem margem para o contexto.

A distribuição não soma as velocidades: as camadas são divididas entre as placas e transitam pelo barramento PCIe, o que limita o ganho. Essa configuração também exige um gabinete, uma fonte de alimentação e uma placa-mãe adequados, e dobra a exposição ao fim do suporte à arquitetura Pascal. Para um projeto de 24 GB, compare primeiro o custo de uma única placa mais recente.

#Instalar e verificar em quatro etapas

1. 01
   Verificar o driver

   Execute nvidia-smi. Para placas com capacidade computacional de 5.0 a 6.2, incluindo a GTX 1080 Ti, a documentação do Ollama exige um driver 570 ou mais recente.
2. 02
   Instalar Ollama

   Siga o guia de instalação do seu sistema. Ollama reconhece a placa como GTX 1080 Ti (compute capability 6.1) na sua lista oficial.
3. 03
   Escolher um modelo adequado

   Comece com um modelo de 8B em Q4 para validar o fluxo de execução, depois teste um modelo de 12B com um contexto de 4.096 tokens.
4. 04
   Verificar o posicionamento

   Execute ollama ps: a coluna PROCESSOR deve indicar 100% GPU. Caso contrário, reduza o contexto ou o tamanho do modelo.

Se um carregamento falhar, não procure uma variável incomum para contornar o problema: o Ollama ativa o Flash Attention automaticamente quando o motor e a placa oferecem suporte a ele, e a variável documentada é OLLAMA_FLASH_ATTENTION (1 para forçar, 0 para desativar). O guia de solução de problemas detalha os erros comuns.

• Instalar Ollama passo a passo
• Resolver problemas do Ollama: GPU não detectada, lentidão

#Fim da vida útil do Pascal: o que é preciso planejar

As notas de versão do CUDA 13 indicam que Maxwell, Pascal e Volta não são mais suportados. A Wikipédia informa que a NVIDIA encerrou em dezembro de 2025 o suporte Game Ready dessas arquiteturas, com atualizações de segurança até outubro de 2028. Atualmente, a GTX 1080 Ti funciona com Ollama e um driver 570 ou mais recente: o risco é que os futuros motores de inferência passem a funcionar apenas com CUDA 13. Anote suas versões de driver e de Ollama antes de qualquer atualização.

#Veredito: manter, sim; comprar, com condições

Para comparar as opções atuais sem listar preços que mudam semanalmente, as páginas do site indicam os modelos adequados para cada capacidade de memória e remetem à página de preços das placas gráficas.

• Qual LLM para RTX 3060 12 GB
• Qual LLM em RTX 2080 Ti (11 GB)
• Quais modelos para 12 GB de VRAM, em qualquer placa de vídeo
• Comparar os preços de GPU para IA

• Fonte: benchmark público llama.cpp em CUDA
• Fonte: documentação do Ollama, hardware NVIDIA suportado
• Fonte: GeForce 10 series, especificações
• Fonte: notas de versão do CUDA Toolkit